DOI: 10.32528/elkom.v2i1.3135 60
Optimalisasi Forecasting Pembebanan Gardu Induk Jember Menggunakan Perbandingan Metode Time Series dan Fuzzy
Sebagai Dasar Uprating Trafo
Galih Cahyaning Pratiwi1, Muhammad A’an Auliq1, Aji Brahma Nugroho1
1 Program Studi Teknik Elektro, Fakultas Teknik, Universitas Muhammadiyah Jember Jl. Karimata No.49 Jember 68121 Indonesia
ABSTRAK
Abstrak - Forecasting pembebanan jangka panjang dalam industri listrik diperlukan, karena menyediakan industri dengan permintaan daya masa depan yang berguna dalam menghasilkan, mentransmisikan dan mendistribusikan daya secara andal dan ekonomis. Belakangan ini, banyak teknik yang telah digunakan dalam forecasting, adapun teknik konvensional (deret waktu dan regresi), ada pula teknik kecerdasan buatan (fuzzy dan jaringan syaraf tiruan). Dalam penelitian ini perkiraan pembebanan jangka panjang disajikan dalam model deret waktu (time series) dan logika fuzzy yang dibandingkan tingkat akurasinya sebelum digunakan untuk forecasting jangka panjang. Model time series menggunakan histori data pembebanan Gardu Induk Jember, sedangkan model fuzzy dikembangkan berdasakan peningkatan jumlah penduduk, infrastruktur pendidikan, infrastruktur kesehatan dan histori pembebanan Gardu Induk Jember. Kedua model digunakan untuk forecasting pada tahun penelitian berlangsung, yang dibandingkan tingkat akurasinya untuk forecasting pembebanan tahun 2019-2027. Hasil yang diperoleh menunjukkan bahwa antara 2 model yang diusulkan, model fuzzy lebih akurat. Analisis hasil forecasting menunjukkan bahwa transformator I mendekati batas maksimum pada tahun 2024 dengan pembebanan berkisar 42,9MVA, transformator II tidak diketahui tahun pembebanan mendekati batas maksimumnya, transformator III mendekati batas maksimum pada tahun 2023 dengan pembebanan berkisar 47,5MVA, transformator IV mendekati batas maksimum pada tahun 2021 dengan pembebanan berkisar 43,5MVA.
Kata kunci: Forecasting Pembebanan, Fuzzy, Time Series, Uprating Transformator.
Copyright © 2019 Universitas Muhammadiyah Jember.
1. PENDAHULUAN
Energi listrik sebagai kebutuhan primer sebagai sarana meningkatkan taraf hidup kesejahteraan masyarakat. Diantaranya digunakan sebagai sarana dalam bidang pendidikan, ekonomi, kesehatan, perindustrian, pendapatan suatu daerah, dan lain sebagainya. Hal ini menyebabkan dari waktu ke waktu konsumsi listrik meningkatan yang besarnya tidak pasti [1].
Gardu Induk (GI) merupakan pusat pembebanan yang mensuplai energi listrik. Di beberapa daerah, permintaan terhadap energi listrik cenderung mengalami peningkatan. Pembebanan listrik yang ditanggung oleh gardu induk akan semakin besar karena semakin bertambahnya permintaan konsumen listrik. Apabila pembebanan gardu induk lebih besar kapasitasnya maka gardu induk akan terjadi overload yang menyebabkan suplai tenaga listrik berhenti dan kerusakan pada peralatan transformator di gardu induk sangat mungkin terjadi [2].
Supaya permasalahan tersebut bisa dihindari, diperlukan forecasting pembebanan listrik di gardu induk. Forecasting sebagai usaya atau kegiatan yang memprediksi kondisi di masa yang akan datang.
Forecasting pembebanan jangka panjang listrik digunakan perencanaan menentukan langkah-langkah untuk mengantisipasi pertumbuhan beban di gardu induk. Metode forecasting yang lazim digunakan adalah metode time series, yaitu berupa suatu persamaan terhadap waktu. Selain itu, juga berkembang metode dalam menganalisis sistem yang tidak pasti dalam forecasting, yaitu fuzzy logic (kabur) [3].
Penelitian sebelumnya yang dilakukan oleh Syarif M. Bahtiar, (2014), Universitas Tanjungpura yang berjudul “Peramalan Beban dengan Menggunakan Metode Time Series Untuk Kebutuhan Tenaga Listrik di Gardu Induk Sungai Raya” menyatakan bahwa metode time series dengan data pembebanan Gardu Induk Sungai Raya selama 5 tahun dapat digunakan sebagai metode peramalan pembebanan Gardu Induk Sungai Raya. Hasilnya menunjukkan bahwa pada tahun 2016-2035 pembebanan Gardu Induk Sungai Raya mengalami peningkatan yang signifikan dengan rata-rata 47,12 Ampere. Karena kapasitas Gardu Induk Sungi Raya 150KVA, maka gardu induk diperkirakan akan mengalami overload pada tahun 2023 [4]. Untuk penelitian sebelumnya yang dilakukan Danladi Ali, Michael Yohanna,
E-mail: [email protected]
(2016), Adamawa State University, Mubi, Nigeria dalam jurnal penelitian berjudul “Long-Term Load Forecast Modelling Using a Fuzzy Logic Approach”, menyatakan bahwa dengan data suhu kelembaban, dan pembebanan Gardu Induk kurun waktu 2 tahun yaitu tahun 2013 dan 2014, dapat direncanakan pembebanan gardu induk beberapa tahun yang akan datang dengan menggunakan fungsi perulangan. Masing-masing variabel selama 2 tahun tersebut dibandingkan sebagai data forecasting pembebanan gardu induk 1 tahun yang akan datang, kemudian diulang untuk mendapat pembebanan gardu induk 2 tahun yang akan datang, diulang kembali untuk mendapat pembebanan gardu induk 3 tahun yang akan datang. Pada penelitian ini didapatkan hasil bahwa pada tahun 2015 kelembaban gardu induk berkisar 33% suhu gardu induk berkisar 25,5oC dan hasil forecasting pembebanan gardu induk sebesar 1,65MW dengan nilai errornya sebesar 6,9%, atau nilai akurrasinya sebesar 93,1%. Selain itu, penelitian ini menjelaskan bahwa semakin banyak data histori maka akan bisa dilakukan forecasting pada jangka waktu panjang [5].
Oleh karena itu penelitian ini mengangkat tentang forecasting pembebanan listrik Gardu Induk Jember menggunakan metode time series dan metode fuzzy. Metode time series sebagai metode untuk forecasting menggunakan suatu persamaan terhadap waktu. Sedangkan Metode fuzzy sebagai metode alternatif untuk forecasting menggunakan logika matlab. Pada penelitian ini, selain menggunakan data pembebanan Gardu Induk Jember selama 6 tahun, juga menggunakan data perkembangan jumlah penduduk dan data perkembangan infrastruktur dari Badan Pusat Statistik selama 6 tahun. Hasil dari perkiraan 2 metode akan dibandingkan dengan keadaan pembebanan di lapangan pada tahun penelitian berlangsung, sehingga akan didapat metode yang akurat untuk forecasting pembebanan Gardu Induk Jember. Melalui forecasting ini akan didapat langkah-langkah ketika pembebanan gardu induk terus meningkat sedangakan kapasitas trafo tidak memadai, sehingga dapat mencegah adanya overload yang dapat menimbulkan kerusakan peralatan di Gardu Induk Jember
Tujuan yang hendak dicapai pada penelitian ini antara lain adalah untuk memprediksi kebutuhan energi listrik di Gardu Induk Jember pada 9 tahun yang akan datang dengan korelasi setiap pengaruh dari variabel. Serta untuk mengetahui kapasitas daya yang harus disediakan PT. PLN Jember untuk memenuhi kebutuhan energi listrik berdasarkan hasil perkiraan. Adapun penilitian penelitian ini memiliki beberapa manfaat antara lain membantu pihak PT. PLN (Persero) khususnya Gardu Induk Jember untuk memperkirakan kebutuhan energi listrik 9 tahun ke depan dan membantu PT. PLN (Persero) khususnya Gardu Induk Jember dalam merencanakan gardu induk.
2. KAJIAN PUSTAKA DAN PENGEMBANGAN HIPOTESIS
Penelitian sebelumnya [4] menyatakan bahwa metode time series dengan data pembebanan Gardu Induk Sungai Raya selama 5 tahun dapat digunakan sebagai metode peramalan pembebanan Gardu Induk Sungai Raya. Hasilnya menunjukkan bahwa pada tahun 2016-2035 pembebanan Gardu Induk Sungai Raya mengalami peningkatan yang signifikan dengan rata-rata 47,12 Ampere.
Penelitian sebelumnya [5] menyatakan bahwa dengan data suhu kelembaban, dan pembebanan Gardu Induk kurun waktu 2 tahun yaitu tahun 2013 dan 2014, dapat direncanakan pembebanan gardu induk beberapa tahun yang akan datang dengan menggunakan fungsi perulangan. Masing-masing variabel selama 2 tahun tersebut dibandingkan sebagai data forecasting pembebanan gardu induk 1 tahun yang akan datang, kemudian diulang untuk mendapat pembebanan gardu induk 2 tahun yang akan datang, diulang kembali untuk mendapat pembebanan gardu induk 3 tahun yang akan datang. Pada penelitian ini didapatkan hasil bahwa pada tahun 2015 kelembaban gardu induk berkisar 33% suhu gardu induk berkisar 25,5oC dan hasil forecasting pembebanan gardu induk sebesar 1,65MW dengan nilai errornya sebesar 6,9%, atau nilai akurrasinya sebesar 93,1%.
Penelitian ini mengangkat tentang forecasting pembebanan listrik Gardu Induk Jember menggunakan metode time series dan metode fuzzy. Metode time series sebagai metode untuk forecasting menggunakan suatu persamaan terhadap waktu. Sedangkan Metode fuzzy sebagai metode alternatif untuk forecasting menggunakan logika matlab.
2.1. Pembebanan Listrik
Pembebanan terbagi dalam beberapa sektor yaitu sektor perumahan, sektor industri, sektor komersial, dan sektor usaha dilayani oleh sistem distribusi elektrik ini. Karakteristik masing- masing sector berubah-ubah, sebab hal ini berkaitan dengan pola konsumsi energi pada masing- masing konsumen di sektor tersebut. Daya listrik dinyatakan oleh persamaan berikut [4]:
DOI: 10.32528/elkom.v2i1.3135 62 Gambar 1. Segitiga Daya
(Sumber: Bahtiar, 2014)
𝑃 = 𝑉 × 𝐼 × cos ∅ (1)
𝑄 = 𝑉 × 𝐼 × sin ∅ (2)
𝑆 = √𝑃2× 𝑄2 (3)
Keterangan: 𝑆 = Daya Semu (VA) 𝑃 = Daya Nyata (Watt) 𝑄 = Daya Reaktif (VAR)
2.2. Metode Forecasting Pembebanan Gardu Induk
Dalam forecasting pembebanan gardu induk, terdapat metode-metode yang digunakan, antara lain metode fuzzy dan regresi.
1. Metode Time Series
Time series atau runtun waktu merupakan himpunan observasi data barurutan waktu. Metode time series merupakan metode forecasting yang menggunakan analisa pola korelasi antara variabel yang diperkirakan dengan variabel waktu. Forecasting suatu data time series perlu diperhatikan pola atau tipe data. Berupa arah data yang cenderung jangka panjang, dapat berupa penurunan maupun kenaikan. [4] Dirumuskan sebagai berikut:
𝑇𝑡= 𝑎 + 𝑏𝑡 (4)
𝑎 dan 𝑏 adalah koefisien regresi, koefisien tersebut dapat dihitung menggunakan rumus berikut:
𝑎 = (∑ 𝑍)(∑ 𝑡
2)−(∑ 𝑡)(∑ 𝑡𝑍)
(𝑛)(∑ 𝑡2)−(∑ 𝑡)2 (5)
𝑏 = 𝑛(∑ 𝑡𝑍)−(∑ 𝑡)(∑ 𝑍)
(𝑛)(∑ 𝑡2)−(∑ 𝑡)2 (6)
Keterangan: 𝑇𝑡 = Komponen Trend 𝑎, 𝑏 = Koefisien Regresi 𝑛 = Jumlah Data 𝑡 = Waktu 2. Metode Fuzzy
Pada tahun 1965 Lotfi Zadeh (UC Berkeley) memperkenalkan fuzzy logic, cara matematis untuk menyatakan keadaan tidak tentu (samar). Ide ini didasarkan pada kenyataan bahwa di dunia ini suatu kondisi sering diinterpresentasikan dengan ketidakpastian atau tidak memiliki ketepatan secara kuantitatif. Dengan fuzzy logic, informasi-informasi yang kurang spesifik (samar) dapat dinyatakan. Metode inferensi fuzzy antara lain metode mamdani, tsukamoto, tagaki sugeno, dan Larsen [5].
Variabel himpunan fuzzy diklasifikasikan menjadi 2 jenis yaitu variabel numerik dan variabel linguistik. Setiap variable memiliki fungsi keanggotaan. Suatu kurva berupa pemetaan titik
input data ke nilai anggotanya yang memiliki interval tertutup antara 0 sampai 1 yang disebut dengan derajat keanggotaan atau fungsi anggota.[1] Nilai fungsi 𝜇𝐴 berupa keanggotaan unsur 𝑥 𝜖 𝑋 dalam himpunan kabur 𝐴. Nilai fungsi 1 berupa keanggotaan penuh, dan nilai fungsi 0 menyatakan sama sekali bukan anggota himpunan kabur tersebut. Representasi linier, digambarkan sebagai garis lurus berikut [3]:
a. Representasi Kurva Linier Naik
Himpunan kurva naik dimulai dari nilai domain yang memiliki nilai keanggotaan 0 bergerak ke arah kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi. Grafik dan persamaan kurva naik dapat dilihat berikut ini.
Grafiknya adalah:
Gambar 2. Grafik Kurva Naik (Sumber: Efendi, 2009)
Persamaannya adalah:
𝜇𝐴(𝑥) = {
𝑥−𝑎0
𝑏−𝑎
1
𝑥 < 𝑎 𝑎 ≤ 𝑥 ≤ 𝑏
𝑥 > 𝑎
(7)
b. Representasi Kurva Linier Turun
Garis lurus yang dimulai dari nilai domain derajat keanggotaan tertinggi di sisi kiri, kemudian bergerak turun ke arah nilai domain yang memiliki derajat keanggotaan lebih rendah. Grafik dan persamaan kurva turun dapat dilihat berikut ini.
Grafiknya adalah:
Gambar 3. Grafik Kurva Turun (Sumber: Efendi, 2009)
Persamaannya adalah:
𝜇𝐴(𝑥) = { 1
𝑏−𝑥 𝑏−𝑎
0
𝑥 < 𝑎 𝑎 ≤ 𝑥 ≤ 𝑏
𝑥 > 𝑎
(8)
c. Representasi Kurva Segitiga
Gabungan antara representasi linier turun dan representasi linier naik. Grafik dan persamaan kurva segitiga dapat dilihat berikut ini.
Grafiknya adalah:
DOI: 10.32528/elkom.v2i1.3135 64 Gambar 4. Grafik Kurva Segitiga
(Sumber: Efendi, 2009) Persamaannya adalah:
𝜇𝐴(𝑥) = {
𝑥−𝑎 𝑏−𝑎 𝑐−𝑥 𝑐−𝑏
0
𝑎 ≤ 𝑥 ≤ 𝑏 𝑏 ≤ 𝑥 ≤ 𝑐 𝑥 < 𝑎 , 𝑥 > 𝑐
(9)
Penelitian ini menggunakan operato AND. Operator mempunyai korelasi dengan operasi interaksi himpunan. Dari proses operasi operator AND diperoleh dengan pengambilan nilai keanggotaan terkecil antar elemen pada masing-masing himpunan yang bersangkutan.
Operator AND didefinisikan sebagai berikut:
𝜇𝐴∩𝐵 = 𝜇𝐴 𝐴𝑁𝐷 𝜇𝐵 (10) 𝜇𝐴∩𝐵= min (𝜇𝐴(𝑥), 𝜇𝐵(𝑦)) (11) Jika 2 daerah fuzzy direalisasikan dengan implikasi sederhana, bentuk umumnya sebagai berikut:
Jika 𝑋 adalah 𝐴 maka 𝑌 adalah 𝐵
Penegasan atau defuzzifikasi adalah metode untuk memetakan nilai himpunan fuzzy logic ke nilai crisp. Proses defuzzifikasi memanfaatkan input berupa himpunan fuzzy yang didapat dari komposisi aturan-aturan fuzzy logic, sedangkan output yang didapatkan adalah suatu bilangan dalam domain himpunan fuzzy pada range tertentu [3].
2.3. Capacity Balance Transformator
Capacity Balance Transformator merupakan langkah mengetahui batas kapasitas transformator suatu gardu induk dalam mendukung pembebanan, yang dikorelasikan peningkatan kebutuhan tenaga listrik berdasarkan forecasting. Melalui capacity balance, dapat ditentukan waktu optimal persiapan eksistensi pengadaan gardu induk baru dan transformator baru. Syarat gardu induk sebagai berikut [7]:
1. Dalam 1 Gardu Induk (GI) hanya diijinkan 4 buah transformator.
2. Kapasitas transformator tidak melebihi nilai 80% dari kapasitas transformator.
3. Bila pembebanan transformator mendekati nilai 80%, harus dipersiapkan:
a. Uprating, bila kapasitas transformator di bawah 60 MVA.
b. Ditambahkan transformator baru, bila kapasitas transformator sudah 60MVA dan Gardu Induk (GI) tersebut jumlah transformatornya kurang dari 4.
Pembangunan Gardu Induk (GI) baru dengan transformator baru.
3. METODE PENELITIAN 3.1. Studi Literatur
Studi literatur dilakukan dengan menelaah literatur yang membantu dalam penelitian ini, antara lain dalam mempelajari dasar-dasar teknik forecasting atau peramalan, analisa time series, analisa fuzzy, dan mempelajari tentang capacity balance transformator gardu induk.
3.2. Diagram Blok Sistem
Adapun diagram blok sistem pada penelitian ini dapat dilihat pada gambar 5 berikut.
Gambar 5. Diagram Blok Sistem 3.3. Pengumpulan Data
Pengumpulan data pada penelitian ini dilakukan di PT. PLN Jember. Datanya berupa data statistika pembebanan trafo pada Gardu Induk Jember selama 7 tahun, mulai tahun 2013-2019.
Adapun data dari Badan Pusat Statistik (BPS) berupa data statistik perkembangan jumlah penduduk di Kota Jember selama 6 tahun, mulai tahun 2013-2018.
3.4. Prosedur Analisa Data
Analisa data perencanaan pembebanan di Gardu Induk Jember dengan metode fuzzy, dan regresi linier berganda digambarkan melalui diagram alir (flowchart) seperti pada gambar 6 berikut.
Gambar 6. Flowchart Analisa Data
DOI: 10.32528/elkom.v2i1.3135 66 1. Pengumpulan Data
Data penelitian didapat dari pembebanan Gardu Induk Jember pada 4 transformator selama 7 tahun 2013-2019. Data pembebanan gardu induk 2013-2018 untuk data histori forecasting, sedangkan data pembebanan gardu induk 2019 untuk data perbandingan akurasi metode. Data perkembangan jumlah penduduk serta perkembangan jumlah infrastruktur tiap kecamatan di Kabupaten Jember selama 6 tahun, mulai tahun 2013-2018.
2. Pengolahan Data
Pengolahan data dilakukan dengan cara mengklasifikasi data pembebanan Gardu Induk Jember pada 4 transformator data pembebanan puncak saat siang hari dan malam hari. Pengolahan data pada perkembangan jumlah penduduk dan perkembangan jumlah infrastruktur dilakukan dengan mengklasifikasikan kecamatan yang menjadi pembebanan pada masing-masing transformator di Gardu Induk Jember.
3. Forecasting menggunakan Metode Time Series
Adapun flowchart mengenai metode time series dapat dilihat pada gambar 7 berikut.
Gambar 7. Flowchart Metode Time Series
Mengumpulkan data statistik dari PT. PLN Jember pada tahun 2013-2018 yang merupakan data pembebanan pada Gardu Induk Jember, kemudian mengolah data yang diperlukan untuk perhitungan forecasting pembebanan selama 9 tahun yang akan datang. Menentukan persamaan time series merupakan persamaan suatu gerakan yang mengindikasikan arah kecenderungan turun dan naik yang dapat dicari melalui rumus berikut:
𝑇𝑡= 𝑎 + 𝑏 (12)
𝑎 dan 𝑏 merupakan koefisien regresi, koefisien tersebut dihitung menggunakan rumus berikut:
𝑎 = (∑ 𝑍)(∑ 𝑡2)−(∑ 𝑡)(∑ 𝑡𝑍)
𝑛 ∑ 𝑡2−(∑ 𝑡)2 (13)
𝑏 = 𝑛(∑ 𝑡𝑍)−(∑ 𝑡)(∑ 𝑍)
𝑛 ∑ 𝑡2−(∑ 𝑡)2 (14)
Keterangan: 𝑇𝑡 = Komponen Trend 𝑎, 𝑏 = Koefisien Regresi 𝑡 = Waktu
𝑛 = Jumlah Data
Setelah didapat perseamaan time series, selanjutnya adalah perhitungan forecasting, dengan mensubtitusikan nilai urutan waktu atau tahun yang akan datang pada persamaan tersebut. Dari perhitungan ini didapat hasil forecasting yang merupakan output dari analisis metode time series.
4. Forecasting menggunakan Metode Fuzzy
Adapun flowchart mengenai metode fuzzy dapat dilihat pada gambar 8 berikut.
Gambar 8. Flowchart Metode Fuzzy
Metode dalam penelitian adalah inferensi dengan metode mamdani yang disebut min-max.
Kelebihannya metode mamdani bersifat intuitif, telah diterima secara luas. Metode ini setiap aturannya berbentuk sebab-akibat (implikasi) anteseden yang berupa konjungsi, mempunyai konsekuen gabungannya maksimum dan nilai keanggotaannya minimum. Proses perubahan variabel numerik jadi variabel linguistic, berupa penentuan fungsi keanggotaan himpunan- himpunan fuzzy yang dinalarkan menggunakan membership fuction, pada penelitian ini menggunakan operator AND. Defuzzifikasi adalah langkah akhir dalam fuzzy logic yang diekspresikan dalam bentuk nilai himpunan fuzzy ke bilangan crisp yang menjadi hasil forecasting. Setelah melalui tahap defuzzifikasi didapat hasil prediksi, hasil tersebut akan dihitung nilai kesalahannya menggunakan persamaan berikut:
𝐸𝑟𝑟𝑜𝑟 = |𝑁𝑖𝑙𝑎𝑖 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖−𝑁𝑖𝑙𝑎𝑖 𝐴𝑘𝑡𝑢𝑎𝑙
𝑁𝑖𝑙𝑎𝑖 𝐴𝑘𝑡𝑢𝑎𝑙 | × 100% (15)
Apabila nilai prediksi masih jauh dari nilai actual, maka kembali ke fuzzyfikasi untuk merubah desain kurva, hingga didapat nilai error terkecil yang bisa dijadikan nilai forecasting.
5. Menghitung Tingkat Akurasi Metode Forecasting
Menghitung nilai error dari metode time series dan fuzzy dengan acuan data aktual pembebanan gardu induk tahun 2019. Dari nilai error tersebut sebagai acuan metode yang tepat untuk analisis uprating trafo di gardu induk kedepannya.
6. Analisa Waktu Optimal Uprating Transformator
Menggunakan hasil forecasting dari metode yang tingkat akurasinya lebih baik, maka akan dilakukan analisa data waktu optimal uprating transformator berdasarkan prinsip dari capacity balance tansformator.
DOI: 10.32528/elkom.v2i1.3135 68 4. HASIL DAN PEMBAHASAN
4.1. Forecasting menggunakan Metode Time Series
Pada bab ini dibahas mengenai forcasting menggunakan metode time series. Adapun data aktual data perhitungan persamaan, dan hasil forcasting menggunakan metode time series pada trafo 1 dapat dilihat pada tabel 1 sampai tabel 4 berikut ini.
Tabel 1. Data Aktual Forecasting Trafo I Metode Time Series Tahun Pembebanan Trafo
Aktual (MVA)
2013 15,58
2014 16,67
2015 20,1
2016 24,17
2017 25,87
2018 27,11
Data histori pembebanan trafo I dari 2013-2018 bersifat linier. Dari data tersebut akan dicari konstanta yang mempengaruhi perubahan pembebanan tiap tahunnya.
Tabel 2. Data Perhitungan Persamaan Time Series Forecasting Trafo I Tahun Tahun Ke-
t
Pembebanan Trafo Aktual
Z
𝒕𝟐 tZ
2013 0 15,58 0 0
2014 1 16,67 1 16,67
2015 2 20,1 4 40,2
2016 3 24,17 9 72,51
2017 4 25,87 16 103,48
2018 5 27,11 25 135,55
∑ 15 129,5 55 368,41
Penentuan persamaan time series urutan tahun disebut (t), indeks musiman disebut (Z), perhitungan nilai (t) pangkat 2 dan perkalian antara nilai (t) dan (Z). Kemudian didapat nilai a dan b, yang selanjutnya disubtitusikan dalam persamaan berikut:
𝑎 = 15,203 𝑑𝑎𝑛 𝑏 = 2,552
𝑇𝑡 = 𝑎 + 𝑏𝑡 (16)
𝑇𝑡 = 15,203 + 2,552𝑡 Keterangan: 𝑇𝑡 = Komponen Trend
𝑎, 𝑏 = Koefisien Regresi 𝑡 = Waktu
Nilai (t) berupa urutan tahun, yang kemudian di subtitusikan ke persamaan diatas. Grafiknya dapat dilihat pada gambar 9 berikut.
Tabel 3. Hasil Forecasting Pembebanan Trafo I Metode Time Series Tahun Tahun Ke-
(t)
Tt (MVA)
2019 6 30,51
2020 7 33,07
2021 8 35,62
2022 9 38,17
2023 10 40,72
2024 11 43,27
2025 12 45,83
2026 13 48,34
2027 14 50,93
Gambar 9. Grafik Forecasting Pembebanan Trafo I Metode Time Series
Dengan cara seperti diatas digunakan untuk forecasting trafo I, II, III, IV dengan metode time series sehingga didapat hasil sebagai berikut:
Tabel 4. Hasil Forecasting Pembebanan Trafo I Metode Time Series Tahun Hasil Forecasting Time Series Pembebanan (MVA)
Trafo I Trafo II Trafo III Trafo IV
2019 30,51 17,92 34,9 37,21
2020 33,07 19,42 37,72 39,74
2021 35,62 20,91 40,53 42,28
2022 38,17 22,41 43,35 44,82
2023 40,72 23,90 46,17 47,35
2024 43,27 25,40 48,98 49,89
2025 45,83 26,90 51,80 52,42
2026 48,34 28,40 54,62 54,96
2027 50,93 29,88 57,44 57,5
4.2. Forecasting menggunakan Metode Fuzzy
Pada bab ini dibahas mengenai forcasting menggunakan metode fuzzy. Adapun data aktual data perhitungan persamaan, dan hasil forcasting menggunakan metode fuzzy pada trafo 1 dapat dilihat pada tabel 5 sampai tabel 9 berikut ini.
Tabel 5. Data Aktual Forecasting Trafo I Metode Fuzzy Tahun Jumlah
Penduduk
Jumlah Infrastruktur Pendidikan
Jumlah Infrastruktur Kesehatan
Pembebanan Trafo Aktual (MVA)
2013 362633 203 45 15,58
2014 363618 241 49 16,67
2015 365577 316 52 20,10
2016 368264 394 57 24,17
2017 369965 429 58 25,87
2018 371569 433 67 27,11
Data selama 6 tahun akan diklasifikasi menjadi 2, yaitu data tahun 2013-2015 dan data tahun 2016- 2018. Kemudian dilakukan pebandingan antara tahun 2013 dengan 2016, tahun 2014 dengan 2017, tahun 2015 dengan 2018 melalui persamaan, sehingga didapat data untuk forecasting selama tahun 2019-2021 pada tabel 6. Selanjutnya dilakukan perbandingan lagi antara tahun 2016 dengan 2019, tahun 2017 dengan 2020, tahun 2018 dengan 2021 melalui persamaan, sehingga didapat data untuk forecasting selama tahun 2022-2024. Perbandingan dilakukan lagi antara tahun 2019 dengan 2022, tahun 2020 dengan 2023, tahun 2021 dengan 2024 melalui persamaan, sehingga didapat data untuk forecasting selama tahun 2025-2027.
𝑌 = 𝑋1+ (𝑋2
2) (17)
Keterangan: 𝑋1= Batas Bawah 𝑋2 = Batas Atas 𝑌 = Input Forecasting
39 40.8 43.5
50.6 52.8 55.6S = 2,55x + 15,264.4 67.3 71.3
0 20 40 60 80
2019 2020 2021 2022 2023 2024 2025 2026 2027 ForecastingPembebanan (MVA), S
Tahun, t
Forecasting Pembebanan Trafo I MetodeTime Series
DOI: 10.32528/elkom.v2i1.3135 70 Tabel 6. Data Forecasting Trafo I Tahun 2019-2021 Metode Fuzzy
Tahun Penduduk Infrastruktur Pendidikan
Infrastruktur Kesehatan
Pembebanan Trafo I (MVA)
2013 362633 203 45 15,58
2014 363618 241 49 16,67
2015 365577 316 52 20,10
2016 368264 394 57 24,17
2017 369965 429 58 25,87
2018 371569 433 67 27,11
Data untuk Forecasting
2019 546765 400 74 27,67
2020 548601 456 78 29,61
2021 551362 533 86 33,66
Setelah perhitungan data input logika fuzzy, selanjutnya menentukan nilai himpunan masing- masing variabel. 1 variabel terdiri atas 3 himpunan, yaitu himpunan A, B, C sebagai berikut:
Tabel 7. Data Himpunan Fuzzy Forecasting Trafo I Tahun 2019-2021 Penduduk Infrastruktur
Pendidikan
Infrastruktur Kesehatan
Pembebanan Trafo
Batas Bawah 546765 400 74 27,67
Batas Atas 551362 533 86 33,66
Median 549063,5 466,5 80 30,66
Jarak 2298,5 66,5 6 2,99
Himpunan A 544466,5 333,5 68 24,67
546765 400 74 27,67
549063,5 466,5 80 30,66
Himpunan B 546765 400 74 27,67
549063,5 466,5 80 30,66
551362 533 86 33,66
Himpunan C 549063,5 466,5 80 30,66
551362 533 86 33,66
553660,5 599,5 92 36,65
Nilai dari setiap himpunan diinputkan pada logika fuzzy melalui software matlab, dengan langkah menentukan variabel input berupa penduduk, infrastruktur pendidikan dan infrastruktur kesehatan, output berupa pembebanan trafo.
Gambar10. Proses Fuzzifikasi Trafo I
Dari fuzzifikasi dilakukan proses aturan-aturan fuzzy, karena terdapat 3 himpunan masing-masing variabel, sehingga terdapat 27 aturan menggunakan operator AND, kemudian dilakukan defuzzifikasi sebagai berikut:
Gambar 11. Rule Editor dan Rule Viewer
Langkah diatas ini dilakukan perulangan hingga 3 kali, untuk forecasting tahun 2019-2021, 2022- 2024, 2025-2027 setiap trafonya, sehingga hasil forecasting metode fuzzy pada trafo I tahun 2019- 2027 sebagai berikut:
Tabel 8. Hasil Forecasting Pembebanan Trafo I Metode Fuzzy Tahun Pembebanan Trafo
Aktual (MVA)
2019 28,6
2020 30,5
2021 32,7
2022 39
2023 40,5
2024 42,9
2025 48,1
2026 50,9
2027 54,2
Gambar 12. Grafik Forecasting Pembebanan Trafo I Metode Fuzzy
Dengan cara seperti diatas digunakan untuk forecasting trafo I, II, III, IV dengan metode time series sehingga didapat hasil sebagai berikut yang dapat dilihat pada table 9.
39 40.8 43.5 50.6 52.8 55.6S = 3,3x + 24,364.4 67.3 71.3
0 20 40 60 80
2019 2020 2021 2022 2023 2024 2025 2026 2027 ForecastingPembebanan (MVA), S
Tahun, t
Forecasting Pembebanan Trafo I MetodeFuzzy
DOI: 10.32528/elkom.v2i1.3135 72 Tabel 9. Hasil Forecasting Pembebanan Trafo I, II, III, IV Metode Fuzzy
Tahun Hasil Forecasting Fuzzy Pembebanan (MVA) Trafo I Trafo II Trafo III Trafo IV
2019 28,6 16,9 31,7 39
2020 30,5 17,5 34,6 40,8
2021 32,7 18,4 37,5 43,5
2022 39 22,4 45,7 50,6
2023 40,5 23,8 47,5 52,8
2024 42,9 25,2 49,5 55,6
2025 48,1 28,1 56,3 64,4
2026 50,9 29,4 58,9 67,3
2027 54,2 31 62,4 71,3
4.3. Tingkat Akurasi Metode
Setelah didapat nilai forecasting tahun 2019-2027 menggunakan metode time series dan fuzzy, maka akan dihitung tingkat akurasinya dengan acuan data aktual pembebanan tahun penelitian berlangsung, yaitu 2019. Tingkat akurasinya dapat dilihat pada table 10 berikut:
Tabel 10. Tingkat Akurasi Metode Forecasting Pembebanan
Trafo Aktual (MVA)
Forecasting Time Series Forecasting Fuzzy Pembebanan
Trafo (MVA)
Error (%)
Pembebanan Trafo (MVA)
Error (%)
29,19 30,515 4,5 28,6 2,03
17,24 17,92 3,9 16,9 1,97
33,6 34,9 3,87 32,7 2,68
38,3 37,21 2,85 39 1,83
Pada 2 metode yang digunakan untuk forecasting pembebanan trafo IV menggunakan data histori yang sama yaitu pembebanan trafo IV selama 6 tahun selama 2013-2018. Namun, hasil forecasting menunjukan metode fuzzy lebih akurat disbanding metode time series.
4.4. Analisa Waktu Optimal Uprating Transformator
Berdasarkan Capacity Balance Transformator pada 1 gardu induk hanya diizinkan 4 buah transformator. Kapasitas transformator tertinggi setiap gardu induk adalah 60MVA. Pembebanan masing-masing transformator tidak boleh melebihi niali 80% dari kapasitas transformator. Bila transformator mendekati nilai 80% harus dipersiapkan langkah uprating, jika kapasitas dari transformator dibawah 60MVA, atau ditambah transformator baru jika kapasitas transformator 60MVA dan di gardu induk tersebut jumlah transformator kurang dari 4 buah, atau pembangunan gardu induk baru. Gardu Induk Jember terdapat transformator sejumlah 4, dengan kapasitas masing-masingnya adalah 60MVA, yaitu transformator I (Shandong, 150/20KV 60MVA), transformator II (Meidensha, 150/20KV 60MVA), transformator III (Xian, 150/20KV 60MVA), transformator IV (Unindo, 150/20KV 60MVA). Pembebanan transformator tidak boleh melebihi nilai 80% dari kapasitas transformator, maka 80% dari 60MVA adalah 48MVA. Hasil dari forecasting di 4 transformator dapat dilihat pada table 11 berikut:
Tabel 11. Hasil Forecasting Trafo I, II, III, IV Tahun 2019-2027 Metode Fuzzy Tahun Pembebanan Trafo Forecasting (MVA)
Trafo I Trafo II Trafo III Trafo IV
2019 28,6 16,9 31,7 39
2020 30,5 17,5 34,6 40,8
2021 32,7 18,4 37,5 43,5
2022 39 22,4 45,7 50,6
2023 40,5 23,8 47,5 52,8
2024 42,9 25,2 49,5 55,6
2025 48,1 28,1 56,3 64,4
2026 50,9 29,4 58,9 67,3
2027 54,2 31 62,4 71,3
Transformator I mendekati batas maksimum pada tahun 2024 pembebanan berkisar 42,9MVA.
Transformator II pada forecasting selama 2019-2027 belum didapat pembebanan mendekati batas maksimum. Transformator III mendekati batas maksimum pada tahun 2023 pembebanan berkisar
47,5MVA. Transformator IV mendekati batas maksimum pada tahun 2021 pembebanan berkisar 43,5MVA.
5. KESIMPULAN
Dari hasil penelitian, dapat disimpulkan beberapa hal sebagai berikut:
1. Data histori pembebanan Gardu Induk Jember selama 6 tahun di 2013-2018 bersifat linier, susai dengan kebutuhan pembebanan semakin bertambah tahun semakin meningkat. Sehingga hasil forecasting pada tahun 2019-2027 juga bersifat linier.
2. Berdasarkan hasil forecasting pembebanan pada tahun 2019 yang dibandingkan dengan data aktual pembebanan tahun 2019, didapat kesimpulan bahwa nilai error pada forecasting menggunakan metode fuzzy lebih kecil daripada time series. Dengan nilai error metode time series di trafo I sebesar 4,5%; trafo II 3,9%; trafo III 3,87%; trafo IV 2,85%. Sedangkan nilai error metode fuzzy di trafo I sebesar 2,03%; trafo II 1,97%; trafo III 2,68%; trafo IV1,83%. Sehingga tingkat akurasi antara metode time series dan fuzzy untuk forecasting pembebanan Gardu Induk Jember, lebih akurat metode fuzzy.
3. Waktu optimal uprating transformator di Gardu Induk Jember disesuaikan dengan hasil forecasting selama 2019-2027, yang menunjukkan bahwa transformator I mendekati nilai maksimum kapasitasnya pada tahun 2024 dengan pembebanan berkisar 42,9MVA. Transformator II sudah di uprating dari 20MVA menjadi 60MVA di tahun 2016, berdasarkan forecasting 2019-2027 belum didapati nilai pembebanan mendekati batas maksimum kapasitasnya. Transformator III mendekati nilai maksimum kapasitasnya pada tahun 2023 dengan pembebanan berkisar 47,5MVA.
Transformator IV mendekati nilai maksimum kapasitasnya pada tahun 2021 dengan pembebanan berkisar 43,5MVA.
REFERENSI
[1] Masarrang, Maryantho. 2014. Peramalan Beban Jangka Panjang Sistem Kelistrikan Kota Palu Menggunakan Metode Fuzzy. Universitas Brawijaya, Malang.
[2] Suryo, Wisnu Adi. 2014. Studi Perkiraan Beban pada Gardu Induk Manisrejo. Universitas Brawijaya, Malang.
[3] Effendi, Hansi. 2009. Aplikasi Logika Fuzzy untuk Peramalan Beban Listrik Jangka Pendek Menggunakan Matlab.
Universitas Negeri Padang.
[4] Bahtiar, Syarif Muhammad. 2014. Peramalan Beban dengan Menggunakan Metode Time Series Untuk Kebutuhan Tenaga Listrik di Gardu Induk Sungai Raya. Universitas Tanjungpura.
[5] Ali, Danladi. 2016. Long-term Load Forecast Modelling Using a Fuzzy Logic Approach. Departement of Pure and Applied Physics, Adamawa State University, Muby, Nigeria.
[6] Sudirham, Sudaryatno. 2012. Analisis Sistem Tenaga. Darpublic Kanayakan Nugroho, A. 2009. Sistem Informasi Prakiraan Kebutuhan Tenaga Listrik Sistem Distribusi Tenaga Listrik. Universitas Diponegoro.
[7] Badan Pusat Statistik (BPS). 2018. Perkembangan Jumlah Penduduk Kabupaten Jember. [Online] Tersedia di:
https://jatim.bps.go.id (Diakses pada tanggal 28 September 2019).
[8] Dwi, Ade Jayanto. 2012. Peramalan Beban Puncak Transformator Daya Gardu Induk Menggunakan Metode Time Series Stokastik. Universitas Syiah Kuala.
[9] Supranto, J. 1981. Metode Peramalan Kuantitatif Untuk Perencanaan. PT. Gramedia Pustaka.
DOI: 10.32528/elkom.v2i1.3135 74 BIOGRAFI PENULIS
Galih Cahyaning Pratiwi merupakan mahasiswi Program Studi Teknik Elektro Universitas Muhammadiyah Jember. Bidang penelitiannya berkaitan dengan arus kuat.
Muhammad Aan Auliq merupakan dosen di lingkungan Program Studi Teknik Elektro Universitas Muhammadiyah Jember. Bidang penelitiannya berkaitan dengan arus kuat.
Aji Brahma Nugroho merupakan dosen di lingkungan Program Studi Teknik Elektro Universitas Muhammadiyah Jember. Bidang penelitiannya berkaitan dengan pengembangan sistem elektronika.
